Artículo de método

Medición del flujo de información direccional en datos fNIRS-Hyperscanning utilizando el método de coherencia de transformada de wavelet parcial

DOI:

10.3791/62927

⸱

3 de septiembre de 2021

 ,  , 
1State Key Laboratory of Cognitive Neuroscience and Learning & IDG/McGovern Institute for Brain Research, Beijing Normal University, 2Institute of Developmental Psychology, Faculty of Psychology, Beijing Normal University

* These authors contributed equally

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo describe la coherencia de la transformada de wavelet parcial (pWTC) para calcular el patrón de retraso en el tiempo de la sincronización neuronal interpersonal (INS) para inferir la dirección y el patrón temporal del flujo de información durante la interacción social. La efectividad de pWTC en la eliminación de los factores de confusión de la autocorrelación de señales en INS fue probada por dos experimentos.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La interacción social es de vital importancia para los seres humanos. Si bien el enfoque de hiperescaneo se ha utilizado ampliamente para estudiar la sincronización neuronal interpersonal (INS) durante las interacciones sociales, la espectroscopia funcional de infrarrojo cercano (fNIRS) es una de las técnicas más populares para hiperescanear interacciones sociales naturalistas debido a su resolución espacial relativamente alta, localización anatómica de sonido y tolerancia excepcionalmente alta de artefactos de movimiento. Los estudios previos de hiperescaneo basados en fNIRS generalmente calculan un INS con retraso en el tiempo utilizando la coherencia de la transformada de wavelet (WTC) para describir la dirección y el patrón temporal del flujo de información entre individuos. Sin embargo, los resultados de este método podrían confundirse por el efecto de autocorrelación de la señal fNIRS de cada individuo. Para abordar este problema, se introdujo un método denominado coherencia de transformación de wavelet parcial (pWTC), que tenía como objetivo eliminar el efecto de autocorrelación y mantener la alta resolución de espectro temporal de la señal fNIRS. En este estudio, se realizó primero un experimento de simulación para mostrar la efectividad del pWTC en la eliminación del impacto de la autocorrelación en el INS. Luego, se ofreció orientación paso a paso sobre el funcionamiento del pWTC basado en el conjunto de datos fNIRS de un experimento de interacción social. Además, se realizó una comparación entre el método pWTC y el método WTC tradicional y entre el método pWTC y el método de causalidad de Granger (GC). Los resultados mostraron que pWTC podría usarse para determinar la diferencia insinerte entre las diferentes condiciones experimentales y el patrón direccional y temporal del INS entre los individuos durante las interacciones sociales naturalistas. Además, proporciona una mejor resolución temporal y de frecuencia que el WTC tradicional y una mejor flexibilidad que el método GC. Por lo tanto, pWTC es un fuerte candidato para inferir la dirección y el patrón temporal del flujo de información entre los individuos durante las interacciones sociales naturalistas.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La interacción social es de vital importancia para el ser humano 1,2. Para comprender el mecanismo neurocognitivo de doble cerebro de la interacción social, el enfoque de hiperescaneo se ha utilizado ampliamente recientemente, lo que demuestra que los patrones de sincronización neuronal interpersonal (INS) pueden caracterizar bien el proceso de interacción social 3,4,5,6,7,8,9,10,11,12 ,13,14. Entre estudios recientes, un hallazgo interesante es que la diferencia de papel de los individuos en una díada puede conducir a un patrón de insociado en el tiempo, es decir, el INS ocurre cuando la actividad cerebral de un individuo se queda atrás de la de otro individuo por segundos, como la de los oyentes a los oradores 5,9, de los líderes a los seguidores4, de profesores a alumnos8, de madres a hijos13,15, y de mujeres a hombres en pareja romántica6. Lo más importante es que existe una buena correspondencia entre el intervalo del INS con retraso en el tiempo y el de los comportamientos de interacción social, como entre los maestros que preguntan y los estudiantes que responden8 o entre los comportamientos de crianza de las madres y los comportamientos de cumplimiento de los niños15. Por lo tanto, el INS con retraso en el tiempo puede reflejar un flujo de información direccional de un individuo a otro, como se propone en un modelo jerárquico reciente para la comunicación verbal interpersonal16.

Anteriormente, el INS con retraso en el tiempo se calculaba principalmente sobre la señal de espectroscopia funcional de infrarrojo cercano (fNIRS) debido a su resolución espacial relativamente alta, localización anatómica de sonido y tolerancia excepcionalmente alta de artefactos de movimiento17 cuando se estudiaban las interacciones sociales naturalistas. Además, para caracterizar con precisión la correspondencia entre el desfase de tiempo neuronal y el desfase de tiempo conductual durante la interacción social, es esencial obtener la fuerza del INS para cada desfase de tiempo (por ejemplo, de no tener desfase de tiempo a un desfase de tiempo de 10 s). Para este propósito, anteriormente, el procedimiento de coherencia de transformada de onda (WTC) se aplicaba ampliamente después de desplazar la señal cerebral de un individuo hacia adelante o hacia atrás en relación con la de otro individuo 5,6,18. Cuando se utiliza este procedimiento WTC tradicional para señales fNIRS, existe un desafío potencial porque el INS con retraso observado en el tiempo puede confundirse por el efecto de autocorrelación de la señal fNIRS para un individuo 19,20,21. Por ejemplo, durante un proceso de interacción social diádica, la señal del participante A en el punto de tiempo t puede sincronizarse con la del participante B en el mismo punto de tiempo. Mientras tanto, la señal del participante A en el punto de tiempo t puede sincronizarse con la del participante A en un punto de tiempo posterior t + 1 debido al efecto de autocorrelación. Por lo tanto, puede ocurrir un INS espurio con retraso en el tiempo entre la señal del participante A en el punto de tiempo t y la del participante B en el punto de tiempo t + 1.

Mihanović y sus colegas22 introdujeron por primera vez un método denominado coherencia de transformada de wavelet parcial (pWTC), y luego lo aplicaron en ciencias marinas23,24. El propósito original de este método era controlar el ruido de confusión exógeno al estimar la coherencia de dos señales. Aquí, para abordar el problema de la autocorrelación en los datos de hiperescaneo de fNIRS, el método pWTC se amplió para calcular el INS con retraso de tiempo en la señal fNIRS. Precisamente, se puede calcular un INS con retraso en el tiempo (y un flujo de información direccional) del participante A al participante B utilizando la ecuación a continuación (Ecuación 1)23.

figure-introduction-1

Aquí, se supone que hay dos señales, A y B, de los participantes A y B, respectivamente. La ocurrencia de la señal B siempre precede a la de la señal A con un desfase temporal de n, donde WTC (At, Bt+n) es el WTC tradicional con retraso en el tiempo. WTC (At, At+n) es el WTC autocorrelacionado en el participante A. WTC (At, Bt) es el WTC alineado en el tiempo en el punto de tiempo t entre el participante A y B. * es el operador conjugado complejo (Figura 1A).

figure-introduction-2
Figura 1: Descripción general de pWTC. (A) La lógica del pWTC. Hay dos señales A y B, dentro de una díada. La ocurrencia de A siempre sigue a la de B con un retraso n. Una caja gris es una ventana de wavelet en un cierto punto de tiempo t o t + n. Sobre la base de la ecuación pWTC (representada en la figura), se deben calcular tres WTC: el WTC desfasado en el tiempo de At + n y Bt; el WTC autocorrelacionado en el participante A de At y At+n; y el WTC alineado en el tiempo en el punto de tiempo t, At y Bt. (B) El diseño de los conjuntos de sondas optode. CH11 se colocó en T3, y CH25 se colocó en T4 siguiendo el sistema internacional 10-2027,28. Haga clic aquí para ver una versión más grande de esta figura.

Este protocolo introdujo por primera vez un experimento de simulación para demostrar qué tan bien el pWTC resuelve el desafío de la autocorrelación. Luego, explicó cómo llevar a cabo pWTC de una manera paso a paso basada en un experimento empírico de interacciones sociales naturalistas. Aquí, se utilizó un contexto de comunicación para introducir el método. Esto se debe a que, anteriormente, el INS con retraso en el tiempo generalmente se calculaba en un contexto de comunicación naturalista 3,4,6,8,13,15,18. Además, también se realizó una comparación entre el pWTC y el WTC tradicional y la validación con la prueba de causalidad de Granger (GC).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El protocolo de experimento humano fue aprobado por la Junta de Revisión Institucional y el Comité de Ética del Laboratorio Estatal Clave de Neurociencia Cognitiva y Aprendizaje de la Universidad Normal de Beijing. Todos los participantes dieron su consentimiento informado por escrito antes de que comenzara el experimento.

1. El experimento de simulación

  1. Generar dos series temporales de señales que se correlacionen entre sí, con una señal que tenga autocorrelación en un desfase temporal de 4 s. Establezca el coeficiente de correlación de r entre las dos señales en 0,4.
  2. Además, generar dos series temporales de señales sin ninguna correlación pero con autocorrelación en una sola señal.
  3. Calcule los valores de los INS tradicionales de 4 s con retraso en el tiempo con la ecuación 2 en función de las señales generadas con o sin correlación, que se puede denominar INSWTC con retraso en el tiempo con autocorrelación y INSWTC de línea de base con retraso en el tiempo con autocorrelación.
    NOTA: Aquí, el WTC tradicional con retraso en el tiempo se expresa mediante la siguiente ecuación (Ecuación 2)25
    figure-protocol-1
    donde, C denota el operador de transformada de wavelet continua a diferentes escalas i y puntos de tiempo t. S denota el operador de suavizado. * denota el operador conjugado complejo. W y M indican dos series temporales individuales de señales.
  4. Eliminar la autocorrelación de las señales generadas. Luego, calcule los valores del INSWTC tradicional de 4 s con retraso en el tiempo con la Ecuación 2 en función de las señales generadas con o sin correlación, que se puede denominar INSWTC con retraso en el tiempo sin autocorrelación e INSWTC de línea de base con retraso en el tiempo sin autocorrelación.
  5. Calcule los valores de 4 s pWTC con retraso en el tiempo con la ecuación 3 en función de las señales generadas con o sin correlación, denominadaspWTC INS con retraso en el tiempo yINS pWTC de referencia con retraso en el tiempo.
    NOTA: El pWTC se puede calcular en base a la siguiente ecuación (Ecuación 3)23
    figure-protocol-2
    donde, WTC (Wt, Mt + n) es el WTC tradicional con retraso en el tiempo. WTC (Mt, Mt+n) es el WTC autocorrelacionado de un individuo. WTC (Wt, Mt) es el WTC alineado en el tiempo. * es el operador conjugado complejo.
  6. Repita los procedimientos anteriores 1000 veces.
  7. Después de restar el INS basal, compare los resultados del INSWTC con retraso en el tiempo con la autocorrelación, el INSWTC retrasado en el tiempo sin autocorrelación y el INSpWTC con retraso en el tiempo utilizando el método de análisis de varianza (ANOVA).
    NOTA: Aquí, se espera que el INSWTC con retraso en el tiempo con autocorrelación sea significativamente mayor que el INSWTC con retraso en el tiempo sin autocorrelación y elINS pWTC con retraso en el tiempo, y no se esperan diferencias significativas entre el INSWTC con retraso en el tiempo sin autocorrelación y el INSpWTC con retraso en el tiempo.

2. El experimento empírico

  1. Participantes y procedimiento
    1. Reclutar participantes apropiados.
      NOTA: En este estudio, veintidós pares de amigos cercanos del sexo opuesto (edad media de las mujeres = 20,95, desviación estándar (DE) = 1,86; edad media de los hombres = 20,50, DE = 1,74) fueron reclutados a través de la publicidad de los estudiantes universitarios de las universidades de Beijing. Todos los participantes eran diestros y tenían visión normal o corregida a normal. Además, ningún participante tenía trastornos del lenguaje, neurológicos o psiquiátricos.
    2. Pida a cada par de participantes que se sienten cara a cara durante el experimento. Pídales que se comuniquen libremente sobre un tema de apoyo en una sesión y sobre un tema de conflicto en la otra sesión.
      NOTA: Los temas se utilizaron para inducir la valencia emocional positiva o negativa prevista. Cada sesión de comunicación duró 10 minutos, y el orden de los temas fue contrarrestado.
    3. Pida a los participantes que informen sobre los temas de apoyo y de conflicto como una regla de configuración estándar. Pida a cada pareja que califique el nivel de valencia positivo o negativo que podría haber sido inducido en una escala de puntos definida. Luego, clasifique los temas reportados de acuerdo con la calificación.
      NOTA: En este trabajo, los temas se seleccionaron con los siguientes tres pasos. Primero, para los temas de apoyo, se requirió que cada participante informara 1-3 problemas personales relacionados con lo que él / ella quería mejorar en su vida. Se requirió que cada participante informara de 1 a 3 casos que hubieran inducido o indujeran un conflicto entre ellos o que pudieran poner en peligro su relación con los temas de conflicto. En segundo lugar, se requirió que cada socio calificara el nivel de valencia positiva o negativa que cada tema podría inducir en una escala de 7 puntos (1 = no en absoluto, y 7 = mucho). En tercer lugar, los temas reportados se clasificaron de acuerdo con la calificación. Se seleccionaron los dos primeros temas de la lista de temas de apoyo y temas de conflicto.
  2. Recopilación de datos fNIRS
    1. Utilice el sistema de topografía fNIRS de 26 canales (consulte la Tabla de materiales) para recopilar datos fNIRS.
      NOTA: Dos sondas optodédicas personalizadas cubrieron las cortezas frontales, temporales y parietales bilaterales (Figura 1B).
    2. Precisamente, pida a cada participante que use una gorra con dos juegos de sondas personalizados (consulte la Tabla de materiales).
    3. Alinee los mastoides nasion, inion y ear con Fpz, Opz, T7 y T8, que son puntos de referencia típicos del sistema internacional 10-2026.
    4. Alinee el canal (CH) 11 a T3 y CH25 a T4 siguiendo el sistema internacional 10-20 para los dos conjuntos de sondas27,28.
    5. Validar las ubicaciones anatómicas de los conjuntos de sondas mediante el escaneo de datos de imágenes de resonancia magnética (MRI) de un participante típico con una secuencia de eco de gradiente rápido preparada para magnetización ponderada T1 de alta resolución (TR = 2530 ms; TE = 3,39 ms; ángulo de giro = 7°; espesor de la rebanada = 1,3 mm; tamaño del vóxel = 1,3 x 1 x 1,3 mm).
    6. Utilice statistical Parametric Mapping 12 (SPM12) para normalizar la imagen al espacio estándar de coordenadas del Instituto de Imágenes de Montreal (coordenada MNI)29. A continuación, utilice la caja de herramientas NIRS_SPM (consulte Tabla de materiales) para proyectar las coordenadas MNI de las sondas en la plantilla de etiquetado anatómico automatizado (AAL).
    7. Recopile los datos de densidad óptica de la luz infrarroja cercana en tres longitudes de onda (780, 805 y 830 nm) a una frecuencia de muestreo de 55,6 Hz (parámetros predeterminados del equipo).
    8. Pruebe la calidad de la señal utilizando el software de equipo integrado del sistema de topografía fNIRS (consulte la Tabla de materiales).
    9. Comience la grabación de señales.
      NOTA: Algunos protocolos publicados han demostrado cómo recolectar señales fNIRS con diversos equipos y sistemas 30,31,32.
  3. Preprocesamiento de datos fNIRS
    1. Exporte los archivos de datos del equipo.
      NOTA: En el experimento actual, el software incorporado convirtió automáticamente los datos de densidad óptica en cambios de concentración de oxihemoglobina (HbO) basados en la ley de Beer-Lambert modificada.
    2. Elimine la primera y la última 15 s de datos de cada sesión para evitar respuestas transitorias.
    3. Utilice la función integrada de diezmo de MATLAB para reducir la muestra de los datos de 55,6 Hz a 11,1 Hz.
      NOTA: Los patrones de espectro de potencia entre 55,6 Hz y 11,1 Hz son bastante similares (Figura suplementaria 1).
    4. Utilice la función de aplicación de MATLAB integrada (Homer3, consulte Tabla de materiales) con la función de filtrado adecuada para aplicar el método de filtro de transformación de wavelet discreta para corregir los artefactos de movimiento.
    5. Utilice la función integrada pca de MATLAB para eliminar el ruido fisiológico global. Elimine el 80% superior de la varianza de las señales.
    6. Eliminar el ruido fisiológico en base a los estudios previos33. Precisamente, elimine las bandas de frecuencia de cada señal por encima de 0,7 Hz para evitar el aliasing del ruido fisiológico de alta frecuencia (por ejemplo, actividad cardíaca).
    7. Luego, elimine las bandas de frecuencia de cada señal por debajo de 0.01 Hz para filtrar las fluctuaciones de muy baja frecuencia.
    8. Finalmente, elimine las bandas de frecuencia de cada señal dentro de 0.15-0.3 Hz para excluir el impacto potencial de la actividad respiratoria.
  4. Procesamiento de datos fNIRS de primer nivel
    1. Primero, calcule inS usando WTC tradicional (INSWTC).
      NOTA: Aquí, se predijo que un patrón de retraso en el tiempo dirigido por mujeres de INSWTC ocurriría entre la actividad cerebral de las mujeres y la de los hombres porque estudios anteriores han sugerido diferentes roles de mujeres y hombres durante una conversación34,35. El WTC tradicional calculó este patrón de INSWTC desplazando la actividad cerebral de los hombres hacia atrás en relación con la de las mujeres (ver Ecuación 2).
    2. Calcule el valor de INSWTC de 2 s-lag liderado por mujeres después de eliminar las 2 s iniciales de datos de mujeres y las últimas 2 s de datos de hombres con la Ecuación 2. Del mismo modo, después de eliminar las 2 s iniciales de datos de hombres y las últimas 2 s de datos de mujeres, calcule el valor de INSWTC de 2 s-lag liderado por hombres con la ecuación 4.
      NOTA: Aquí, se utilizó la función wcoherence, que es una función incorporada de la caja de herramientas wavelet de MATLAB (consulte la Tabla de materiales).
    3. Repita este procedimiento con diferentes intervalos de tiempo n, es decir, n = 2 s, 4 s, 6 s, 8 s en todos los pares potenciales de CH (por ejemplo, CH2 en mujeres y CH10 en hombres, 676 pares en total). Además, calcule la fuerza del INSWTC con retraso en el tiempo dirigido por hombres de la misma manera (Ecuación 4).
      figure-protocol-3
    4. En segundo lugar, calcule el INS utilizando pWTC (INSpWTC).
      NOTA: pWTC se calculó en base a la Ecuación 3. El cálculo de INSpWTC se repitió con diferentes intervalos de tiempo n, es decir, n = 2 s, 4 s, 6 s, 8 s en todos los pares de canales potenciales (por ejemplo, CH2 en mujeres y CH10 en hombres, 676 pares en total). Además, la fuerza delINS pWTC con retraso en el tiempo dirigido por hombres se calculó de la misma manera (Ecuación 5).
      figure-protocol-4
    5. Genere series temporales con retraso de tiempo de señales fNIRS en diferentes intervalos de tiempo.
    6. Calcule los valores del WTC con retraso en el tiempo en diferentes intervalos de tiempo.
    7. Genere series temporales autocorrelacionadas de señales fNIRS en diferentes intervalos de tiempo. Para calcular el valor autocorrelacionado de 2 s para los hombres, elimine las primeras 2 s de datos de los hombres y los últimos 2 s de los hombres.
    8. Calcule los valores de WTC autorrelacionados en diferentes intervalos de tiempo.
    9. Genere series temporales alineadas en el tiempo de señales fNIRS en diferentes intervalos de tiempo. Para calcular el WTC alineado en el tiempo de 2 s, elimine las primeras 2 s de datos de los datos de los hombres y las primeras 2 de las mujeres.
    10. Calcule los valores wtc alineados en el tiempo.
    11. Ingrese los valores wtC alineados en el tiempo, WTC con retraso en el tiempo y WTC autorrelacionados en diferentes intervalos de tiempo en la ecuación 3 y la ecuación 5, la ecuación de pWTC, generando INSpWTC.
    12. Finalmente, calcule el INS utilizando el método GC (INSGC).
      NOTA: Para validar aún más el método pWTC y evaluar sus ventajas y desventajas, se calculó el INS basado en GC utilizando el método GC (INSGC).
    13. Sobre la base del resultado de pWTC, el paso de banda filtra la señal de HbO de cada individuo en el SMC (es decir, 0.4-0.6 Hz, ver Resultados representativos).
    14. Realice una prueba de GC (Caja de herramientas econométrica, MATLAB) dentro de cada díada en los temas de apoyo y conflicto por separado.
      NOTA: Se obtienen cuatro grupos de valores F para insgc: (1) de mujeres a hombres sobre el tema de apoyo (W2M_supp); (2) de hombres a mujeres sobre el tema de apoyo (M2W_supp); 3) de mujeres a hombres sobre el tema del conflicto (W2M_conf); y 4) de hombres a mujeres sobre el tema del conflicto (M2 W_conf). Los valores F se utilizan para indexar el INSGC.
  5. Procesamiento de datos fNIRS de segundo nivel
    1. Transforme INS con transformación de Fisher-z y luego promedie INS en la dimensión temporal.
      NOTA: Aquí, la transformación de Fisher-z se llevó a cabo utilizando un script de MATLAB personalizado con la ecuación 636:
      figure-protocol-5
      donde, r es el valor del WTC o pWTC, y z es el valor transformado de Fisher-z del WTC o pWTC.
    2. Para el INS promediado en cada desfase temporal, realice una prueba t de dos muestras pareadas (apoyo vs. conflicto) en cada par CH en todo el rango de frecuencia. A continuación, identifique todos los grupos de frecuencias significativos (P < 0,05).
    3. Realice una prueba de permutación basada en clústeres para establecer un umbral para los resultados.
      1. Reasigne las relaciones diádicas asignando aleatoriamente a los participantes a nuevos pares de dos miembros, es decir, los participantes de una díada que nunca se había comunicado entre sí. Recalcule el INS en cada lapso de tiempo, realice nuevamente pruebas t pareadas en la nueva muestra e identifique nuevamente grupos de frecuencia significativos.
      2. Seleccione el clúster con el valor t sumado más grande. Repita los procedimientos anteriores 1000 veces para generar una distribución nula de los valores máximos de t falsos positivos.
        NOTA: La distribución se sirve como el nivel de oportunidad. La tasa de error familiar (FWER) se controla en q = 0,05, lo que significa que solo el 5% superior de la distribución nula de los valores t falsos positivos supera el umbral (R*).
      3. Compare el valor t sumado de cada grupo de frecuencias identificado en la muestra original con la distribución nula para obtener resultados estadísticos significativos.
    4. Realizar un análisis de varianza de contexto (apoyo, conflicto) x dirección (mujeres a hombres, hombres a mujeres) (ANOVA) para probar la diferencia en la dirección del INS entre diferentes condiciones (es decir, temas) (p < 0,05).
    5. Realizar una prueba t de dos colas emparejada de dos muestras entre los resultados de WTC (Wt, Mt + n) y WTC (Mt, Mt + n) para probar el impacto potencial de la autocorrelación en el INS.
      NOTA: El INS de WTC (Mt, Mt + n) refleja la autocorrelación.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Resultados de la simulación
Los resultados mostraron que el INSWTC con retraso en el tiempo con autocorrelación fue significativamente mayor que el INSWTC con retraso en el tiempo sin autocorrelación (t(1998) = 4,696, p < 0,001) y el INSpWTC con retraso en el tiempo (t(1998) = 5,098, p < 0,001). Además, no hubo diferencias significativas entre el INSWTC con retraso en el tiempo sin autocorrelación y el INSpWTC (

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En los estudios de hiperescaneo, generalmente es esencial describir los patrones direccionales y temporales del flujo de información entre los individuos. La mayoría de los estudios previos de hiperescaneo de fNIRS han utilizado WTC25 tradicional para inferir estas características mediante el cálculo del INS con retraso en el tiempo. Sin embargo, como una de las características intrínsecas de la señal fNIRS20,21, el efecto de autocorrelaci...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no declaran intereses financieros contrapuestos.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabajo fue apoyado por la Fundación Nacional de Ciencias Naturales de China (61977008) y el Programa de Jóvenes Talentos de Primera Categoría de Diez Mil Talentos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Sistema de topografía fNIRSShimadzu Corporation ShimadzuLABNIRS systenEl sistema LABNIRS contiene 40 emisores y 40 detectores para la medición de señales fNIRS. En este protocolo utilizamos estos emisores y detectores, creamos dos conjuntos de sondas personalizados de 26 canales y los conectamos a dos tapas correspondientes al sistema 10-20. Además, el sistema LABNIRS también contiene software GUI incorporado para la verificación de la calidad de los datos, la conversión de datos y la exportación de datos.
MATLABThe MathWorks, Inc.MATLAB 2019aEn este protocolo, se utilizaron varias cajas de herramientas y funciones en MATLAB:
se utilizó la caja de herramientas SPM12 para normalizar los datos de resonancia magnética validados a través de su GUI.
NIRS_SPM toolbox se utilizó para proyectar las coordenadas MNI de las sondas a la plantilla AAL a través de su GUI.
Homer3 toolbox se utilizó para eliminar artefactos de movimiento a través de su función hmrMotionCorrectWavelet con parámetros predeterminados.
Wavelet toolbox se utilizó para calcular WTC y pWTC a través de su función wcoherence.
Escáner de resonanciaSiemens HealthineersEscáner TRIO de 3 TeslaEn este protocolo, se utilizó el escáner de resonancia magnética para obtener las coordenadas MNI de cada canal y optpde. Los parámetros de escaneo se describen en el texto principal.
TapasEn este protocolo, primero marcamos dos gorras de nylon con el sistema 10-20. Luego, hicimos dos juegos de sondas optódicas personalizadas de 26 canales. Por último, adjuntamos conjuntos de sondas a mayúsculas alineadas con puntos de referencia.
magnética personalizadas

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hasson, U., Ghazanfar, A. A., Galantucci, B., Garrod, S., Keysers, C. Brain-to-brain coupling: A mechanism for creating and sharing a social world. Trends in Cognitive Sciences. 16 (2), 114-121 (2012).
  2. Hasson, U., Frith, C. D. Mirroring and beyond: Coupled dynamics as a generalized framework for modelling social interactions. Philosophical Transactions of the Royal Society B: Biological Sciences. 371, 20150366(2016).
  3. Jiang, J., et al. Neural synchronization during face-to-face communication. Journal of Neuroscience. 32 (45), 16064-16069 (2012).
  4. Jiang, J., et al. Leader emergence through interpersonal neural synchronization. Proceedings of the National Academy of Sciences of the United States of America. 112 (14), 4274-4279 (2015).
  5. Dai, B., et al. Neural mechanisms for selectively tuning in to the target speaker in a naturalistic noisy situation. Nature Communications. 9 (1), 1-12 (2018).
  6. Long, Y., et al. Interpersonal neural synchronization during interpersonal touch underlies affiliative pair bonding between romantic couples. Cerebral Cortex. 31 (3), New York, N.Y. 1647-1659 (2021).
  7. Liu, W., et al. Shared neural representations of syntax during online dyadic communication. NeuroImage. 198, 63-72 (2019).
  8. Zheng, L., et al. Enhancement of teaching outcome through neural prediction of the students' knowledge state. Human Brain Mapping. 39 (7), 3046-3057 (2018).
  9. Stephens, G. J., Silbert, L. J., Hasson, U. Speaker-listener neural coupling underlies successful communication. Proceedings of the National Academy of Sciences of the United States of America. 107 (32), 14425-14430 (2010).
  10. Hirsch, J., et al. Interpersonal agreement and disagreement during face-to-face dialogue: An fNIRS investigation. Frontiers in Human Neuroscience. 14, 606397(2021).
  11. Pan, Y., Cheng, X., Zhang, Z., Li, X., Hu, Y. Cooperation in lovers: An fNIRS-based hyperscanning study. Human Brain Mapping. 38 (2), 831-841 (2017).
  12. Cui, X., Bryant, D. M., Reiss, A. L. NIRS-based hyperscanning reveals increased interpersonal coherence in superior frontal cortex during cooperation. NeuroImage. 59 (3), 2430-2437 (2012).
  13. Piazza, E. A., Hasenfratz, L., Hasson, U., Lew-Williams, C. Infant and Adult Brains Are Coupled to the Dynamics of Natural Communication. Psychological Science. 31 (1), 6-17 (2020).
  14. Djalovski, A., Dumas, G., Kinreich, S., Feldman, R. Human attachments shape interbrain synchrony toward efficient performance of social goals. NeuroImage. 226, 117600(2021).
  15. Zhao, H., et al. How mother-child interactions are associated with a child's compliance. Cerebral Cortex. 31 (9), 4398-4410 (2021).
  16. Jiang, J., Zheng, L., Lu, C. A hierarchical model for interpersonal verbal communication. Social Cognitive and Affective Neuroscience. 16 (1-2), 246-255 (2021).
  17. Yan, W., et al. Bibliometric evaluation of 2000-2019 publications on functional near-infrared spectroscopy. NeuroImage. 220, 117121(2020).
  18. Zheng, L., et al. Affiliative bonding between teachers and students through interpersonal synchronisation in brain activity. Social Cognitive and Affective Neuroscience. 15 (1), 97-109 (2020).
  19. Dean, R. T., Dunsmuir, W. T. M. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 48 (2), 783-802 (2016).
  20. Barker, J. W., Rosso, A. L., Sparto, P. J., Huppert, T. J. Correction of motion artifacts and serial correlations for real-time functional near-infrared spectroscopy. Neurophotonics. 3 (3), 031410(2016).
  21. Huppert, T. J. Commentary on the statistical properties of noise and its implication on general linear models in functional near-infrared spectroscopy. Neurophotonics. 3 (1), 010401(2016).
  22. Mihanović, H., Orlić, M., Pasarić, Z. Diurnal thermocline oscillations driven by tidal flow around an island in the Middle Adriatic. Journal of Marine Systems. 78, SUPPL. 1 157-168 (2009).
  23. Ng, E. K. W., Chan, J. C. L. Geophysical applications of partial wavelet coherence and multiple wavelet coherence. Journal of Atmospheric and Oceanic Technology. 29 (12), 1845-1853 (2012).
  24. Ng, E. K. W., Chan, J. C. L. Interannual variations of tropical cyclone activity over the north Indian Ocean. International Journal of Climatology. 32 (6), 819-830 (2012).
  25. Grinsted, A., Moore, J. C., Jevrejeva, S. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics. 11, 561-566 (2004).
  26. Jurcak, V., Tsuzuki, D., Dan, I. 10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems. NeuroImage. 34 (4), 1600-1611 (2007).
  27. Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalography and Clinical Neurophysiology. 66 (4), 376-382 (1987).
  28. Koessler, L., et al. Automated cortical projection of EEG sensors: Anatomical correlation via the international 10-10 system. NeuroImage. 46 (1), 64-72 (2009).
  29. Penny, W., Friston, K., Ashburner, J., Kiebel, S., Nichols, T. Statistical Parametric Mapping: The Analysis of Functional Brain Images. , Academic Press. (2007).
  30. Shalinsky, M. H., Kovelman, I., Berens, M. S., Petitto, L. A. Exploring cognitive functions in babies, children & adults with near infrared spectroscopy. Journal of Visualized Experiments: JoVE. (29), e1268(2009).
  31. Xu, S. Y., Cheong, L. I., Zhuang, Y., Couto, T. A. P., Yuan, Z. Conducting concurrent electroencephalography and functional near-infrared spectroscopy recordings with a flanker task. Journal of Visualized Experiments: JoVE. (159), e6069(2020).
  32. Noah, J. A., et al. fMRI validation of fNIRS measurements during a naturalistic task. Journal of Visualized Experiments: JoVE. (100), e52116(2015).
  33. Tong, Y., Lindsey, K. P., Frederick, B. D. Partitioning of physiological noise signals in the brain with concurrent near-infrared spectroscopy and fMRI. Journal of Cerebral Blood Flow and Metabolism. 31 (12), 2352-2362 (2011).
  34. Buck, R., Miller, R. E., Caul, W. F. Sex, personality, and physiological variables in the communication of affect via facial expression. Journal of Personality and Social Psychology. 30 (4), 587-596 (1974).
  35. Walen, H. R., Lachman, M. E. Social support and strain from partner, family, and friends: Costs and benefits for men and women in adulthood. Journal of Social and Personal Relationships. 17 (1), 5-30 (2000).
  36. Chang, C., Glover, G. H. Time-frequency dynamics of resting-state brain connectivity measured with fMRI. NeuroImage. 50 (1), 81-98 (2010).
  37. Liu, H., et al. Inferring subsurface preferential flow features from a wavelet analysis of hydrological signals in the shale hills catchment. Water Resources Research. 56 (11), 0-3 (2020).
  38. Rhif, M., Abbes, A. B., Farah, I. R., Martínez, B., Sang, Y. Wavelet transform application for/in non-stationary time-series analysis: A review. Applied Sciences. 9 (7), Switzerland. 1345(2019).
  39. Molavi, B., Dumont, G. A. Wavelet-based motion artifact removal for functional near-infrared spectroscopy. Physiological Measurement. 33 (2), 259-270 (2012).
  40. Scholkmann, F., Spichtig, S., Muehlemann, T., Wolf, M. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation. Physiological Measurement. 31 (5), 649-662 (2010).
  41. Zhang, Y., Brooks, D. H., Franceschini, M. A., Boas, D. A. Eigenvector-based spatial filtering for reduction of physiological interference in diffuse optical imaging. Journal of Biomedical Optics. 10 (1), 011014(2005).
  42. Cui, X., Bray, S., Reiss, A. L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics. NeuroImage. 49 (4), 3039-3046 (2010).
  43. Cooper, R. J., et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy. Frontiers in Neuroscience. 0, 147(2012).
  44. Brigadoi, S., et al. Motion artifacts in functional near-infrared spectroscopy: A comparison of motion correction techniques applied to real cognitive data. NeuroImage. 85, 181-191 (2014).
  45. Liu, Y., et al. Measuring speaker-listener neural coupling with functional near infrared spectroscopy. Scientific Reports. 7, 1-13 (2017).
  46. Li, Z., et al. Speaker-listener neural coupling reveals an adaptive mechanism for speech comprehension in a noisy environment. Cerebral Cortex. , (2021).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Sincronizaci n neuronalcausalidad de Grangerinteracci n socialconcentraci n de hemoglobinacorrecci n de artefactos de movimientoprueba de permutaci n de cl steres

Artículos relacionados